近年来全世界的能源问题愈发突出,而能源是人类社会赖以生存的物质基础,关系到人们的生产生活。在能源消费的比重中,电能是人们使用最为广泛的能源,人们的生产生活对电能的需求也呈不断增长态势。在我国电力能源消耗的比重中,工业用电和居民生活用电的能耗居前两位。对负荷使用情况进行监测并将各负荷的用电信息及时反馈给用户有助于增强用户的节能意识,最多可节约20%-35%的电能。如果在未来能够将负荷监测技术推广部署到每一户,节省的电能将是可观的,有利于进一步构建绿色生态环境,实现能源的可持续发展。负荷监测的最终目标即得到各负荷使用过程中的能耗,可将负荷监测分为侵入式和非侵入式两类。侵入式负荷监测,顾名思义,即需要进入房屋里面,在每个负荷处安装传感器采集用电数据,但采用这种方式需要耗费大量成本。而非侵入式负荷监测是通过在供电入口处安装传感器采集总线负荷数据,然后通过事件检测、负荷分解等后续一系列算法对总线负荷数据进行处理,最终分析得到各负荷的用电情况。随着科技的发展,住宅内的负荷种类和数目也在增加,非侵入式的手段更加节省人力物力,也因此成为负荷监测领域的主要研究方向。本文在了解了非侵入式负荷监测领域的背景以及基本技术原理之后,针对目前该领域尚存在的事件检测的准确率不高、负荷分解误差大等不足,将非侵入式负荷监测分为投切事件检测和负荷能耗分解两个主要任务,开展了如下相关研究工作:首先,本文对研究中所用到的数据分别进行了降噪、筛选和预处理。介绍了分别用于两个任务的两个公开数据集,在用于投切事件检测的数据上进行了两种降噪滤波手段的对比,对用于负荷分解的数据进行了预处理,删除了其中的异常值（即负值和过大的离群值）以避免对模型训练产生影响。另外,对数据进行了标准化以加快模型收敛速度。然后,为了得到负荷的开启、关闭等事件发生的位置,对常用的两种概率模型事件检测算法——广义似然比检验和贝叶斯信息准则进行了研究,并提出了一种结合时间阈值的投切事件检测方法。该方法使用一个较小的功率阈值来避免漏检,同时设置另一个功率阈值对检测到的事件进行筛选,并设置两个时间阈值用以删除一些常见的影响投切事件检测结果的脉冲和重复检测事件,然后使用公开数据集对比了三种方法,无论在A相还是B相,本文算法的F1分数均优于所对比的两种概率模型事件检测算法,验证了本文算法的有效性。最后,为了从总线功率数据中获取各负荷的功率值,本文分析了三种常用的负荷分解模型,即因子隐马尔可夫模型以及基于深度学习的降噪自编码器模型和双向长短时记忆网络（即双向LSTM）模型。对三种模型的原理进行了介绍,分别在公开的UK-DALE数据集和实际采集的电动车数据上使用三种模型进行了负荷能耗分解的仿真实验并对分解结果进行了对比分析,结果表明双向长短时记忆模型分解的洗衣机、微波炉、热水壶、笔记本电脑以及电动车的功率值误差最小,降噪自编码器模型分解的洗碗机和冰箱的功率值误差最小,因此,基于深度学习的模型优于因子隐马尔可夫模型。